学海拾珠系列之二百五十五：财报季“信息洪流”下的反常行为投资者如何从细节转向宏观

引言 4数据与方法 7关键变量的量 7投资者的宏经济信获取 7盈余聚集 8样本构建与述性统计 8研究设计与证结果 10宏观经济信获取的接度量 10宏观经济信获取的接度量 13投资者的交行为 13不确定性的解 15机制分析 16盈余聚集作宏观信的传导道 16盈余聚集作注意力力约束 175总结 19风险提示： 19图表1文章框架 4图表2变量的描统计 9图表3盈余公告集效应宏观经信息获取 11图表4盈余聚集盈余电会议中宏观词汇 12图表5盈余聚集盈余电会议中宏观词汇基于公特质的析 13图表6VIX交易量盈余聚集应 14图表7公司交易与盈余集效应 15图表8总体不确性与盈聚集效应 16图表9盈余聚集应：宏信息的导渠道 17图表10重新分注意力 18引言图表1文章框架整理信息在证券市场效率和实体经济中扮演着关键角色（如Fama，1965）信息的到达及其融入资产价格的过程是金融经济学和会计学的重要议题。本文通过研究企业盈余公告的时间结构是否以及如何影响投资者对宏观经济信息的获取，进而影响资产定价结果，为这一广泛的研究议程做出贡献。近期研究表明，企业的盈余公告与风险溢价相关，这是因为信息从公告公司向非公告公司溢出（SavorWilson，2016；Ben-Rephael等，2021）。相关研究指出，企业盈余信息在时间上的不均匀发布导致CAPM平均而言失效（Gilbert,Hrdlicka,和Kamara，2018），但在盈余季初期有大量有影响力的公司发布季度盈余消息的日子里，市场贝塔与股票回报之间的关系会转为正（如CAPM所预测（Chan，2021）。这些研究基于一个假设：当企业发布盈余公告时，投资者利用这些信息来更新他们对公告公司乃至整体经济的预期。例如，Chan（2021）认为，其发现的一个可能解释是，有许多早期公告的日子充当了投资者关注的"宏观触发器"。然而，这种推测性的解释以及由此产生的企业盈余公告时间结构与投资者宏观信息获取之间的相互作用，在文献中很大程度上仍未得到探索。本文研究了这种相互作用，并预测相对于非盈余集中期，投资者在盈余集中期（即许多公司发布盈余的日子）助于区分盈余中的特质性消息和宏观消息。司的会计信息有助于洞察重要的宏观经济现象，包括GDP增长（Konchitchki和Patatoukas，2014）、通货膨胀（Shivakumar和Urcan，2017）和经济衰退（Lind，2021）。这种宏观信息的涌入可能引发投资者对宏观经济的关注。其次，先前文献表明，盈余集中会消耗投资者的资源并增加信息获取的机会成本（Hirshleifer,Lim,和Teoh，2009；DeHaan,Shevlin,和Thornock，2015；Blankespoor,DeHaan,和Marinovic，2020）。如果这些日子里投资者注意力能力约束是紧的（Blankespoor,DeHaan,和Marinovic2020的综述），那么即使宏观信息的精确度/数量保持不变，投资者也可能优先获取和处理宏观信息而非特质信息（Peng和Xiong，2006；Kacperczyk,VanNieuwerburgh,和Veldkamp，2016）。基于这两点观察，我们预计，无论是因为更好/更多的宏观信息变得可用，还是因为注意力能力约束收紧，投资者在盈余集中期相对于其他日子都会获取相对更多的宏观经济信息。我们使用两组测试来检验这一预测：第一组测试依赖于两个新颖的直接衡量投资者信息获取的指标，以研究投资者在盈余集中期是否获取了更多的宏观经济信息。我们首先通过谷歌上与宏观相关的互联网搜索强度来衡量投资者对宏观导向信息的获取。我们预测，如果投资者在盈余集中期获取更多宏观信息，他们可能会从多种来源（其中包括互联网搜索）搜索背景宏观信息。我们的证据与这一预测一致：宏观导向的谷歌搜索在盈余集中期显著加强，这种效应延伸到多个宏观相关词汇类别，但不适用于非宏观类别。虽然谷歌搜索捕获了广泛的投资者，但它们主要反映零售交易者的信息获取行为（DeHaan,Shevlin,Thornock，2015）我们接下来使用盈余电话会投资者的行为。我们预测，如果投资者在盈余集中期对宏观信息更感兴趣，那么我们应该观察到在这些日子举行的盈余电话会议中宏观导向词汇的强度增加。这正是我们的发现：汇。此外，这种效应源于电话会议的管理层陈述部分和问答部分，表明盈余集中期对宏观经济信息的需求（来自投资者）和供给（来自公司）都有所增加。我们利用盈余电话会议数据的细粒度，研究投资者从电话会议中获取宏观经济信息是否集中在更暴露于宏观经济的公司，并发现情况确实如此。我们的分析表明，虽然盈余集中对一般公司的电话会议中宏观相关术语强度有影响，但对于高贝塔公司和龙头公司（即与经济表现协方差较高、因此对宏观动态更具信息性的公司），这种影响变为正向且显著。易决策和资产价格变动是否与这种信息获取行为一致。观经济的暴露。我们记录了两个与此预测一致的结果。首先，我们观察到，可用于调整经济层面波动率暴露的工具（即CBOE波动率指数VIX的看跌和看涨期权）的日交易量，在盈余集中期相较于非集中期显著增加。我们还发现，在这些相同的日在盈余集中期增加了对宏观信息的获取后，投资者通过交易来调整其对宏观经济的暴露。最后，我们记录到，关于经济的不确定性（以CBOE波动率指数衡量）在盈余集中期相对于非集中期下降。因此，资产价格的行为也与投资者在盈余集中期的宏观经济信息获取行为一致。如前所述，投资者在盈余集中期获取更多宏观信息这一预测背后至少有两种可能的机制。这些渠道的影响相互交织并由内生决定，这使得分离和精确识别它们变得困难（并超出了本研究的范围）。然而，虽然我们无法孤立出每种机制的相对重要性，但我们提供了探索性分析，支持这两个渠道作为盈余集中期投资者信息获取的决定因素都扮演着重要角色。在第一种机制下，盈余集中是传递更优经济信息的渠道。在这些日子里，投资者可以获取多个个体盈余信号，这可能有助于区分盈余中的公司特定信息和宏观信息，从而引发他们对后者的关注。这种动态与Hirshleifer和Sheng（2022）最近的发现（表明宏观经济公告引发投资者对公司特定信息的关注）以及Choi等的发现（表明及时的公司特定披露补充了后续的宏观经济新闻，有助于解决投资者的不确定性）是一致的且具有互补性。此外，可以想象，宏观经济信息获取的增加源于公司特定信息获取的溢出（即投资者获取宏观信息是获取公司特定信息的副产品），Hann,Kim,和Zheng（2019）记录的行业内信息传递。为探索这一机制，我们研究盈余集中是否向专门收集和处理此类信息的市场参与者提供了更多宏观信息。更具体地说，我们考察宏观经济分析师的预测发生率和离散度如何随每周盈余公告的强度而变化。我们发现，当在给定的一周内有更多公司发布盈余公告时，（i）宏观经济分析师更有可能修正他们先前的预测或发布新的预测；（ii）分析师预测的离散度减小。我们将这些结果解释为，与非集中期相比，盈余集中期资本市场参与者可获得的宏观经济信息量/质量有所增加，这引发了他们对收集宏观信息的关注。在第二种机制下，盈余集中消耗了投资者的注意力能力，正如专注于公司特定信息和盈余集中期注意力的文献所示（Blankespoor,DeHaan,和Marinovic，2020）。在这种情况下，信息选择模型表明投资者进行类别学习，即他们优先处理一类信息而非另一类（即宏观经济信息优先于公司特定信息，如PengXiong2006Kacperczyk,Nieuwerburgh,2016所述）。因此，盈余集中期对投资者能力的消耗应导致总体信息和公司特定信息之间的替代效应，投资者优先获取前者而非后者。我们提供了三方面证据支持这一机制。首先，我们发现投资者在盈余集中期增加对宏观经济信息的获取，而现有研究表明投资者在这些相同的日子对公司特定信息的获取减少（Hirshleifer,Lim,和2009；DeHaan,Shevlin,Thornock，2015），这在边际上与总体信息和公司特定信息之间的替代效应一致。其次，我们发现，在盈余集中期，投资者减少对公告公司的交易，但同时增加对未公告的宏观暴露公司的交易，这也与注意力重新分配一致。第三，我们记录到总体不确定性下降，但公告公司的特质不确定性在盈余集中期增加，这与公司特定信息处理减少但宏观信息处理增加一致。信息获取，并且这种效应可能源于两种互补的机制。少涉及三个研究方向。首先，如前所述，近期研究表明盈余公告以与投资者利用盈余消息更新其经济先验一致的方式影响风险溢价和风险-回报关系。我们提供了这一机制的初步证据，从而为近期有影响力研究的一个重要假设提供了支持。其次，金融经济学文献长期试图将宏观经济与资产定价行为联系起来（例如Fama，1981）。该领域的研究表明，宏观经济公告如FOMC决策、GDP、通胀和失业消息等）影响投资者的宏观经济信息获取（Fisher,Martineau,Sheng，2022）以及资产价格（Savor和Wilson，2013，2014；Ai和Bansal，2018）。与本文更直接相关的是，HirshleiferSheng（2022）发现宏观公告充当了投资者获取特质信息的注意力触发器。我们的论文表明相反的情况也成立：多个公司同时发布微观经济信息充当了投资者获取宏观信息的注意力触发器。第三，本文对关于投资者对盈余公告反应决定因素的丰富文献做出了贡献。先前研究表明，行为因素导致投资者对公司层面盈余公告的关注度降低，当这些盈余在周五公告时（DellaVigna和Pollet，2009），与低市场回报同时发生时（Gulen和Hwang，2012），或与分散注意力的事件同时发生时（Hirshleifer,Lim,和Teoh，2009）。我们与这些论文的不同之处在于，我们表明当盈余消息是经济的更精确信号和/或投资者更可能面临注意力能力约束时，投资者会理性地收集更多宏观经济信息。因此，与先前将盈余集中对投资者的分散注意力效应解释为非理性现象不同，我们将其解释为一种"有效率的无效率"结果（Pedersen，2015），即投资Blankespoor,DeHaan,和Marinovic（2020）提出的观点，即受限的投资者理性是盈余集中期投资者减少处理公司特定信息的一个可能解释。数据与方法关键变量的度量投资者的宏观经济信息获取我们使用两类指标来度量投资者的宏观经济信息获取：（i）信息获取的直接度量；（ii）信息获取的间接度量。我们依赖两种投资者宏观经济信息获取的直接度量。第一个指标代表了投资者从通用信息源获取宏观经济信息的情况。我们遵循先前研究（DeHaan,Shevlin,andThornock2015;Drake,Roulstone,andThornock2012），并关注其中一个此类互联网搜索。我们使用特定日内，针对一个宏观词汇词典（列于附录的谷歌搜索量指数（SVI）来度量投资者通过互联网获取宏观经济信息的情况。后，我们将词典中所有宏观词汇的搜索强度度量进行平均，创建一个追踪投资者从互联网获取宏观经济信息总体兴趣的变量。由此产生的变量（MacroAcqSVI）从2004年开始可用，代表了一个反映投资者通过互联网搜索对宏观经济信息总体兴趣的日度时间序列。谷歌搜索量指数的优势在于能够捕捉广泛的宏观信息获取模式，但代价是主要反映零售投资者的行为（DeHaan,Shevlin,andThornock2015）。因此，对于第二个指标，我们使用盈余电话会议中宏观相关术语的强度，这更可能反映机构投资者的信息获取。CapitalIQ2008年开始可用的电话会议文字记录，计算给定日期所有盈余电话会议中宏观词汇的数量，除以同一天所有盈余电话会议的总词汇数。由于我们对宏观信息获取模式随时间的相对（而非绝对）01之间的百分位等级。由此产生的变量（MacroCC）代表了一个描述投资者从盈余电话会议中获取宏观经济信息总体兴趣的日度时间序列。该变量背后的直觉源于现有证据，即盈余公告包含宏观相关信息（CreadyandGurun2010;KonchitchkiandPatatoukas2014;等）。因此，投资者可能向管理层寻求关于总体波动对其公司业绩影响的澄清，并相应地更新其先验信念。此外，我们分别为盈余电话会议的管理层陈述部分（MacroAcqPres）和问答部分（MacroQ&A）创建此变量。通过这种方式，我们可以分别分析投资者从盈余电话会议中获取宏观信息的任何变化，是由需求方（投资者）还是供给方（管理层）驱动的。接下来，我们使用两种投资者宏观经济信息获取的间接度量交易行为和市场结果我们假设，如果信息获取改变了投资者的先验信念，那么他们将通过交易来相应地调整其投资组合。更具体地说，我们预计当投资者获取宏观信息时，他们将通过交易来调整其投资组合对宏观经济的暴露。我们依赖对宏观经济更敏感的资产的日度交易量——VIX看涨和看跌期权以及高贝塔和龙头公司的股票——投资者调整其宏观暴露的代理变量。为构建这些度量，我们从OptionsMetrics获取2006VIXCRSP获取的个股交易量数据，其可用时间序列更长（1995-2019）。最后，我们通过资产价格来度量投资者的宏观经济信息获取（Aietal.2023）。如果投资者获取了特定类型的信息并据此交易，那么他们的交易行为应会影响资本市场结果。我们关注其中一个结果——总体不确定性的消解——因为在信息论中（Shannon1948;Ross2016），这一结果直接反映了信息获取的变化。基于此概念，我们预计当投资者获取更多宏观信息（例如在盈余聚集期）时，会观察到更多的总体不确定性消解。虽然文献中有多种代理变量，但我们关注芝加哥期权交易所波动率指数（VIX），这是一个常用的宏观经济不确定性代理变量（Bloom2014;AlfaroBloomand2018），因为它反映了股票市场的前瞻性不确定性且可高频获取。然后，我们使用VIX的日度变化（DVIX）盈余聚集我们遵循先前研究（Chan2021;Hirshleifer,Lim,andTeoh2009;DeHaan,Shevlin,andThornock2015）的方法，使用每日同时发布的盈余公告数量来衡量盈余聚集。更具体地说，我们遵循Hirshleifer,Lim,andTeoh(2009)的方法，使用给定日期内发布的盈余公告数量在年度-季度十分位数分布中的位置（ECs）来衡量。为构建此指标，我们依赖于Compustat和I/B/E/S数据库交集中的公告日期，仅保留两个数据库日期一致的记录（Blankespoor,DeHaan,andMarinovic2020），这一程序以确保公告日期被精确测量为代价，但会损失两个数据库日期不一致的公告。我们使用第二个指标来补充此代理变量，该指标定义为每日盈余公告的规模加权平均值的年度-季度十分位数分布（SizeECs），其中权重是公告公司的总资产相对于该年度季度内所有公告公司总资产的规模。我们依赖这个额外的指标是因为它包含了公告公司的规模，从而考虑了公告的经济重要性和复杂性，这些是投资者信息获取（FredericksonandZolotoy2016DriskillKirk,andTucker2020）和资本市场结果（Gilbert,Hrdlicka,andKamara2018）的重要驱动因素。为了便于解释估计系数，我们将这两个十分位数度量重新缩放至区间(0,1)，即一个单位的变化代表从最低十分位移动到最高十分位。样本构建与描述性统计我们所依赖的多种宏观信息获取度量需要多个数据集和样本。我们使用一个日度时间序列数据库来研究投资者信息获取、交易行为和总体不确定性的模式。该样本包括宏观术语的互联网搜索数据、盈余电话会议、VIX总体不确定性和盈余聚集数据。其最大时间跨度为1995年至2019年，共5,602个交易日；最小时间跨度为2008年至2019年，共2,501个交易日。图2报告了该样本的描述性统计。我们观察到，平均而言，在任何给定日期发布盈余公告的公司数量为家，标准差为83家。较大的标准差反映了有1,309天公告公司少于10家，而有1,223天公告公司超过100家，这与投资者面临清淡和繁忙的公告日的情况一致。图表2变量的描述统计MacroeconomicInformationAcquisitionaroundEarningsClusters》转向我们的宏观信息获取代理变量，我们观察到宏观词汇的谷歌搜索指数（MacroAcqSVI）平均为41.9，标准差为10.5。平均而言，宏观词汇约占任何给定日期盈余电话会议总词汇量的3%，标准差为2.48个百分点。这些描述统计量共同表明，投资者从多个来源获取宏观经济信息的行为具有时变性。与信息获取的时变性一致，投资者在VIX看涨和看跌期权交易强度上也表现出变化：日均总合约交易额为41万美元，标准差为万美元。最后，用VIX衡量的总体不确定性随时间变化很大：VIX指数的平均值为20.17，标准差为8.26VIX的日均变化率为0.5%，标准差为7.1个百分点。该表还显示，总资产回报率平均为总资产的0.6%，平均市场回报率为0.4%，我们的样本中有19%的日期有宏观经济公告发布。我们还创建了额外的数据库。首先，我们利用Bloomberg构建了一个宏观分析师GDP预测19962019期间按周频率可用。图表2显示，在我们样本中40%的周里，至少有一位分析师更新旧预测或发布新预测。此外，分析师预测存在相当大的离散度，平均离散度为0.702，标准差为0.381。我们还观察到该样本中宏观经济公告的周度变化很小，因为70%的周内至少有一次宏观公告。其次，我们构建了一个公司-季度数据库，在1995-2019年间包含最多192,032个观测值，涉及7,074家公司。该数据库是通过剔除所有缺乏必要数据的公司，以及总市值低于一百万美元、股价低于一美元或财务季度结束日与盈余公2报告了该样本的描述性统计，显示日均盈余公告数量为182条，标准差为114，与相关研究（如DeHaan,Shevlin,andThornock2015）相似。关于我们感兴趣的变量，该表显示盈余电话会议中平均有2%的词汇与宏观经济相关，标准差为4个百分点。同时，宏观内容存在显著差异-0.09，标准差为0.15），这与这些公告消解了关于公告公司未来的不确定性相一致（PatellandWolfson1979,1981）。此外，所有其他变量的分布与相关研究一致。最后，我们构建了一个公司日度的面板数据库，以研究股票日度交易量如何随盈余聚集以及公司对经济的暴露度（使用公司贝塔值和龙头地位衡量(Bonsall,Bozanic,andFischer2013)）而变化（为简洁起见，统计量省略）。平均而言，在任何给定交易日，有0.9%的流通股被交易，标准差为3.1个百分点，这与投资者对总体不确定性暴露度的时变性调整相一致。研究设计与实证结果宏观经济信息获取的直接度量我们预期投资者在盈余聚集日会比在非聚集日获取更多的宏观经济信息。为检验此预测，我们依赖以下时间序列回归模型：投资者通过互联网搜索获取宏观经济信息的行为在盈余聚集日会增加。因此，我们的第一个因变量是MacroAcqSVI（宏观搜索指数），它既可以计算为宏观搜索术语的聚合度量，也可以是从更细粒度的宏观搜索类别中得出的个体度量。我们关注的变量ECst用于度量盈余聚集，它要么是每日盈余公告数量的年度-季度十分位数（ECst），要么是经规模调整后的每日盈余公告数量的年度-季度十分位数（SizeECst）。我们通过控制以下变量来解释关注宏观经济的重要决定因素：用公告公司的总资产回报率（AggROA）控制盈余消息的方向；用公告日的市场回报（MarketRet）控制投资者在低市场回报日不同的信息获取偏好；用一个虚拟变量（MacroAnnounce）控制是否有重要的宏观经济公告发布的日子，以代表一般的宏观经济信息。我们还加入了星期固定效应，以控制一周内重复出现的关注和交易模式（DellaVignaandPollet2009）。我们根据贝叶斯信息准则确定自相关结构来估计方程（1），优先选择最简洁的模型，尽管结果对此选择的不同变化是稳健的。然后，我们采用ARMAX估计来校正自相关引起的参数估计偏差。在估计之前，我们还使用Dickey-Fuller和Phillips-Perron单位根检验检查了所有时间序列变量的平稳性。我们发现这些检验强烈拒绝所有变量存在单位根的原假设，这降低了对伪相关驱动结果的担忧。为便于解释，我们将所有连续变量标准化，使其均值为0，标准差为1。我们关注的系数是β，它描述了宏观术语的互联网搜索强度在盈余聚集日如何变化。3是使用宏观搜索术语的综合指数（第1-2列）、宏观搜索术语的类别（第3-7列）还是单个搜索术语（未列表）作为因变量。第（1）列表明，从ECs的最低十分位移动到最高十分位，与宏观搜索增加0.34个标准差（相对于样本均值增加8.5%）相关。最后，图表3还显示，对非宏观术语（如"宠物食品"、"换油"、"NFL"、"MLB"等）的搜索与同期盈余公告呈负相关（第8列），这表明我们捕捉到的并非仅仅是互联网搜索量普遍较大的日子，并且暗示了宏观和非宏观信息获取之间存在某种程度的替代性。图表3盈余公告聚集效应与宏观经济信息获取MacroeconomicInformationAcquisitionaroundEarningsClusters》，华安证券研究所举行的盈余电话会议将包含更多的宏观语言。因此，我们的第二个结果变量是MacroAcqCCt，即第t天盈余公告电话会议中宏观词汇的排名百分比。关注的变量ECst定义如前，模型包含与方程（1）相同的控制变量。我们关注的系数是β，它描述了每日盈余电话会议中包含的宏观词汇强度如何随当天的盈余聚集而变化。如果我们的假设在数据中成立，我们预期该系数为正。图表4展示了方程（1）的参数估计结果，表明无论我们如何度量盈余聚集，系数都第（1）列表明，从ECs的最低十分位移动到最高十分位，与宏观搜索增加0.34个标准差（或10个百分位排名）相关。我们进一步评估这种宏观信息强度的增加是由电话会议的管理层陈述部分（第3-4列）和/或问答部分（第5-6列）我们发现两个部分的宏观词汇强度都有所增加。因此，我们的主要发现源于此类信息供给的增加（即管理层在陈述中可能因预期投资者兴趣而讨论更多宏观相关问题）以及对此类信息需求的增加（即由投资者在问答环节提问引发的讨论）。综合来看，图表3和图表4的证据有力地支持了投资者在盈余聚集日增加宏观信息获取的观点。图表4盈余聚集与盈余电话会议中的宏观词汇MacroeconomicInformationAcquisitionaroundEarningsClusters》，华安证券研究所我们利用盈余电话会议数据的细粒度来更深入地理解投资者的宏观信息获取。更具体地说，我们在公司-季度层面估计以下回归：因变量是盈余电话会议中宏观词汇的百分比，而关注的变量是我们度量盈余聚集的代理变量之一，定义见第2.1.2节。Z用于识别对宏观经济有高暴露度的公司，定义为：HighBetai,t（天股票贝塔值高于样本中位数则为1，否则为0）或Bellwetheri,t（如果公司i的销售额与去趋势后的GDP的相关性高于样本中位数则为1，否则为0）。模型包含一组可能影响投资者对宏观经济兴趣的决定因素。我们关注两个决定因素：分析师预测离散度（Disp）者对公司层面信息的分歧程度；以及VIX指数（VIX），代表盈余公告日普遍存在的总体不确定性水平。我们还进一步控制了标准变量，如未预期盈余（UE）；公司从t-3到t+3的买入持有回报（Ret）；账面市值比（B/M）（Leverage）；公司规模（Size）；分析师关注度（Analysts）；以及一个虚拟变量，表示在给定公告日是否有重要的宏观经济公告发布（MacroAnnounce）。我们加入了公司和年度×季度固定效应，并在公司层面聚类标准误。我们将所有连续自变量标准化以便于解释系数。我们关注的系数是，它描述了盈余电话会议中宏观词汇的百分比如何随盈余聚集而变化；以及𝛽3何随公司对宏观经济的暴露度而变化。图表5展示了方程（2）第（1）和（3）有关系：𝛽1系数在统计上始终与零无法区分。然而，在第（2）和（4）露度的公司（即低贝塔或销售额与GDP相关性低的公司），种关系变为正，并在5%或10%的水平上统计显著。因此，投资者似乎将他们的宏观信息获取集中在那些可能对宏观经济更具信息性的盈余电话会议上。图表5盈余聚集与盈余电话会议中的宏观词汇：基于公司特质的分析MacroeconomicInformationAcquisitionaroundEarningsClusters》，华安证券研究所最后，其他变量的系数估计与我们的直觉一致。例如，我们观察到，当投资者对公司的业绩不确定（即获取公司特定信息更为重要）时，他们获取宏观信息的可能性较低（Andrei,Friedman,andOzel2023）。类似地，我们发现当VIX较高时（即获取宏观信息更为重要时），投资者更可能获取宏观信息（Kacperczyk,VanNieuwerburgh,andVeldkamp2016）。宏观经济信息获取的间接度量投资者的交易行为宏观经济信息的获取应促使投资者更新其先验信念，从而通过交易证券来调整其投资组合对宏观经济的暴露度。我们通过关注两种不同金融工具的交易来检验这一预测。我们首先研究VIX看跌和看涨期权的交易，这些工具允许投资者对经济不确定性建立多头或空头头寸。我们使用以下时间序列回归来评估投资者在盈余聚集日是否比非聚集日更广泛地交易这些工具：其中，VIXVIX看涨/1后的对数；ECs2.1.2节。我们包含了与方程VIXVIX交易量的影响。我们关注的系数是β，VIXVIX整其投资组合的宏观经济暴露度，我们预期该系数为正。图表6提供了与我们猜想一致的证据：β始终为正，且在常规水平上统计显著异于零，表明盈余聚集日期权交易更为活跃。就经济规模而言，第（1）列显示，从ECs的最低十分位移动到最高十分位，与VIX交易量增加约8%相关。图表6VIX交易量与盈余聚集效应MacroeconomicInformationAcquisitionaroundEarningsClusters》，华安证券研究所接下来，我们关注对宏观经济更敏感的公司的股票交易，并评估投资者是否也在盈余聚集日更广泛地交易这些工具。该测试背后的直觉是，投资者可以通过增持/减持与经济相关性更高的公司股票来调整其投资组合的宏观经济暴露度。为检验此预测，我们构建了一个公司-日度交易量数据库，并用它来估计以下面板回归模型：其中，Stocki股票的日度交易量，计算为每日交易股数除以每日流通在外总股数；ECs是盈余聚集代理变量；Z用于识别对宏观经济有高HighBetai,tBellwetheri,t，度量方法同前。模型进一步包括OwnEA（如果焦点公司在t10），该变量既ECs交乘；还包括一组公司交易量的决定因素，如账面市值比（B/M）、公司负债率（Leverage）、公司盈利能力（ROA）和公司规模（Size），以及公司、年度和月份固定效应。我们在公司和公告日层面聚类标准误，以考虑公司内或日期内的潜在相关性。我们关注的系数是7始终为正，且在1%或5%的水平上统计显著。这些结果表明，在其他条件不变的情况下，对宏观经济有高暴露度的公司的交易量在盈余聚集日增加，这与投资者因更新对总体状况的先验信念而调整投资组合暴露度的行为一致。图表7公司交易量与盈余聚集效应MacroeconomicInformationAcquisitionaroundEarningsClusters》，华安证券研究所该表还记录了OwnEAECs交乘项的系数为负，这表明在其他条件不变的情况下，公告公司的交易量在盈余聚集日下降，这与文献中的先前发现一致。此，随着投资者增加对宏观暴露公司的交易，他们同时减少了对公告公司的交易。这种模式提供了初步证据，表明投资者可能将注意力从特质信息重新分配到总体信息，这是我们发现背后两种可能机制之一。此外，结合这两个结果，可以为现有文献中一个令人困惑的发现提供解释：虽然总交易量随盈余公告数量增加而增加（Blankespoor,DeHaan,andMarinovic2020），但在其他条件不变的情况下，公告公司的交易量却下降（Hirshleifer,Lim,andTeoh2009）。我们的分析表明，已观察到的盈余聚集日总交易量增加，至少部分是由对未公告的龙头公司和高贝塔公司更活跃的交易驱动的，这种增加足以弥补公告公司股票交易活动的减少。总体而言，本节的证据表明，投资者在盈余聚集日通过交易来调整其投资组合对总体状况的暴露度，这与我们预期的"投资者在这些日子获取相对更多宏观信息"的情形一致。不确定性的消解迄今为止，我们已经表明投资者在盈余聚集日会获取更多宏观经济信息，并且更广泛地交易暴露于总体状况的股票。为了进一步三角验证我们的推论，我们利用"资产价格可以反映投资者偏好"这一观点，检验信息收集和交易是否产生了与宏观信息获取增加相一致的资本市场结果。信息论将不确定性的变化视为信息获取的直接反映。因此，我们预期，如果投资者在盈余聚集日获取了更多宏观信息，那么资本市场应显示出相比非聚集日有更大程度的总体不确定性的消解。我们使用以下时间序列回归来检验这一预测：因变量是VIX指数的日度变化，定义见第2.1.1节，而我们关注的变量是衡量盈余聚集的指标，定义见第2.1.2节。我们包含了与方程（1）相同的控制变量组。我们关注的系数是β何变化。8（5）的参数估计结果，表明如预期那样，感兴趣的系数在每种设定下均为负值，并且始终在1%的显著性水平上统计显著异于零。该效应也显示出经济意义。例如，第（3）列表明，由ECs引起的VIX幅度，大约是股票市场回报率一个标准差变化所引起下降幅度的四分之一。我们将此证据解释为：在其他条件不变的情况下，总体不确定性在盈余聚集日下降，这与我们关于投资者在这些日子里获取并处理更多宏观信息的猜想一致。图表8总体不确定性与盈余聚集效应MacroeconomicInformationAcquisitionaroundEarningsClusters》，华安证券研究所机制分析如引言所述，我们关于投资者在盈余聚集日获取相对更多宏观信息的证据，可能源于至少两种机制：盈余聚集作为宏观信息的传导渠道，或投资者的注意力重新分配。虽然提供关于哪种机制驱动我们发现的结论性证据超出了本研究范围，但本节我们提供与两种机制均发挥作用的证据。盈余聚集作为宏观信息的传导渠道在第一种机制下，盈余聚集是传递更精确的总体经济信息的渠道，因为投资者可以获取更多个体公司的盈余信息，这提高了他们区分盈余中特质性信息和宏观信息的能力。作为对宏观信息相对于公司特定信息精确度提高的回应，投资者将努力转向更好地理解宏观环境。为检验此断言，我们关注专门从事宏观经济信息的收集、处理和解读的参与者——宏观经济分析师并研究他们的GDP预测特性如何随盈余聚集而变化。我们BloombergGDP预测者（如参与专业预测者调查SPF者，按固定日程每季度发布一次宏观预测）不同，Bloomberg的预测者自行决定何时贡献预测。因此，这些数据为我们提供了在周度级别上作出或修订的GDP预测特性的时间序列变化，使我们能够以相对较高的频率研究这些特性与盈余聚集之间的关系。如果盈余聚集提高了分析师区分盈余中特质性和宏观信息的能力，那么我们预期在盈余聚集期：（1）分析师更可能更新其GDP预测；（2）分析师GDP预测的离散度下降。我们通过估计以下回归模型来检验这些预测：我们使用两个不同的因变量，均在盈余聚集发生的同一周度量：NewForecast（共识GDP预测是否发生变化的虚拟变量）和ForecastDisp（GDP分析师预测的标准差）。我们关注的变量是盈余聚集，ECs是我们的盈余聚集代理变量之一，定义见第2.1.2节，但聚合到周度（而非日度）层面。我们还扩展了模型以包含其他影响宏观预测者行为的决定因素的控制变量。这些回归的结果报告在图表9中。我们观察到盈余聚集与共识GDP预测变化的概率之间存在正向且统计显著的关系，这与分析师在盈余聚集周更频繁地更新其预测一致，从而支持这些聚集期提供了更多或更高质量的宏观经济信息。们发现预测离散度与盈余聚集之间存在负向且显著的关系，与此聚集期降低了分析9支持了的总体信息传导渠道的观点，因此引发了投资者对宏观经济的关注。图表9盈余聚集效应：宏观信息的传导渠道MacroeconomicInformation